Post on 22-Jan-2018
¿CÓMO MEDIR LA PRECISIÓN
DE LOS PRONÓSTICOS?
w w w . c e l o g i s . c o m
T O M Á S G Á L V E Z M A R T Í N E Z
A P R E N D E T O D O S O B R E P R O N Ó S T I C O S
Por Tomás Gálvez Martínez
Presidente de CELOGIS
Education Partner de Forecast
Solutions
Profesor y Director de ENAE
Business School
CÓMO MEDIR LA PRECISIÓN DE LOS PRONÓSTICOS
¿Cómo medir la precisión de los pronósticos? | iwww.celogis.com
¿Cómo medir la precisión de los pronósticos? | iiwww.celogis.com
Medir la efectividad de nuestros pronósticos parece ser una tarea sencilla. Podemos
simplemente encontrar la diferencia entre lo que aseguramos que pasaría con lo que
realmente sucedió y listo. Tenemos un resultado. Sin embargo estoy seguro que en la
mayoría de los casos tendremos dudas sobre la forma de medir el éxito o fracaso de
dicho resultado.
El propósito de este eBook es exponer las principales herramientas de precisión de
los pronósticos considerando tres interrogantes clave:
1. ¿Los modelos que mejor se ajustaron a la historia son igual de efectivos para
pronosticar?
2. ¿Cuántas medidas de precisión existen y en qué casos aplicar cada una de ellas?
3. ¿Qué criterios alternativos existen para la selección del modelo de precisión?
Al final es posible que no dispongamos de un sólo criterio de selección, pero
tendremos más información que nos ayudará a la evaluación del resultado de los
pronósticos.
Espero les sea útil este documento y lo apliquen en su práctica diaria.
LA CIENCIA O EL ARTE DE LA MEDICIÓN
Consultor y conferencista en
Pronósticos, Planeación de Demanda y
S&OP
www.celogis.com
Existe evidencia significativa que un modelo que ajusta bien a los datos históricos, no
necesariamente pronostica bien. ¿Entonces para qué evaluar la precisión de un
modelo de pronóstico en función de su capacidad de ajuste a los datos históricos?
Una de las alternativas para evaluar lo anterior, es dividir la información en dos
conjuntos. El primer conjunto lo podemos denominar datos de control y utilizarlo para
encontrar el mejor modelo de pronóstico. Y al segundo conjunto etiquetarlo como
datos de predicción y no incluirlos en el análisis inicial. La cuestión es ¿qué cantidad
de datos tomar para cada conjunto de información? Por ejemplo si usted dispone de 4
años de información histórica divididos en forma mensual, puede tomar los tres
primeros años para los datos de control y el resto para los datos de predicción. O bien
dejar los últimos 6 o 3 meses para esta última actividad. Existe una gran variedad de
combinaciones que siempre estarán sujetas a las necesidades y resultados
esperados de cada organización.
Para los datos de control, es necesario seleccionar el modelo de pronóstico que
mejor ajusta a los datos históricos, pero ¿Cuántas formas de medición existen?
¿Todas tienen la misma funcionalidad? ¿El qué tiene menor error o el de mayor
complejidad y variables? Se sabe que a medida que aumentan las variables en el
modelo, el error puede disminuir. Con relación a los datos de predicción. ¿Cómo
determinar aquél que pronosticó mejor? O ¿qué medida utilizar para este fin? En las
siguientes páginas se expondrán alternativas para solucionar estas interrogantes.
LOS MODELOS QUE MEJOR SE AJUSTARON A LA HISTORIA ¿SON IGUAL DE EFECTIVOS PARA PRONOSTICAR?
¿Cómo medir la precisión de los pronósticos? | 1
www.celogis.com
Para cada uno de los escenarios que usted genere será necesario medir el
desempeño de ellos mediante indicadores de precisión. Se requiere definir un criterio
para la precisión del pronóstico (datos de predicción) y otra para la selección del
modelo (datos de control). No todos tendrán el mismo significado ni el mismo uso,
pero ambos deben estar basados en la siguiente fórmula del error (et):
Donde et es el error del pronóstico, es el valor observado o real en el tiempo t de
la serie de tiempo, e es el valor pronosticado en el tiempo t de la serie de tiempo.
El error también puede ser representado en términos relativos (%) utilizando la
siguiente estructura de cálculo:
O bien expresarlo en forma cuadrática:
¿CUÁNTAS MEDIDAS DE PRECISIÓN EXISTEN Y CÓMO APLICAR CADA UNA DE ELLAS?
¿Cómo medir la precisión de los pronósticos? | 2
www.celogis.com
Con este breve antecedente y la estructura básica del error definida, he agrupado las
diferentes alternativas de medición del error en tres:
1. Medidas de selección.
2. Medidas de interpretación, y
3. Medidas de precisión.
En cada una de estas medidas, no se explican en su totalidad las presentadas en la
Tabla 1, sólo se describen las más significativas que son producto de más de 15 años
de experiencia en el tema y en más de 200 empresa de diferentes industrias.
Como siempre el lector tendrá la última decisión sobre cuál utilizar, con base en la
información que dispone y los datos de la empresa en la que participa.
Tabla 1. Medidas de error de pronóstico
¿Cómo medir la precisión de los pronósticos? | 3
www.celogis.com
1. Medidas de selección
En la primera sección de este artículo, se sugirió dividir la serie de tiempo de dos
partes. Una de ella la denominamos datos de control y a la otra datos de predicción.
En esta sección haremos referencia a la primera, y proponer herramientas de
medición que muestren el mínimo error para seleccionar el mejor método para
pronosticar.
MSE (Mean Square Error): Es el promedio de los cuadrados de las diferencias de
cada artículo en el periodo t y se utiliza para comparar la precisión entre diferentes
métodos o criterios de pronóstico. Según mi experiencia esta medida, o la siguiente,
son las más recomendadas para seleccionar el mejor método de pronóstico.
RMSE (Root Mean Square Error): Esta medida es la raíz del promedio de los
cuadrados del error de cada artículo en el periodo t y también se utiliza para comparar
la precisión de diferentes métodos de pronóstico. La diferencia con la anterior es que
el resultado está en las unidades originales de la información histórica analizada.
¿Cómo medir la precisión de los pronósticos? | 4
www.celogis.com
2. Medidas de interpretación
MPE (Mean Percentage Error): Es una media del error porcentual. Es una métrica
simple que sirve para observar si el error del pronóstico tiene un sesgo (bias) positivo
o negativo. También se dice que el pronóstico está subestimado o sobrestimado.
Un pronóstico sobreestimado puede generar: exceso de inventario, sobre costos,
rechazos por obsolescencia, costos por mermas, entre otros. Un pronóstico
subestimado puede producir: reducción en los niveles de servicio, costo por pérdida
de ventas, incremento en el costo por el reprocesamiento de órdenes, entre otros.
MAPE (Mean Absolute Percentage Error): Es la media de los errores porcentuales
en valor absoluto, no considera el signo del error sólo la magnitud. El MAPE es una de
las medidas más utilizadas a nivel mundial, pero no se recomienda para la selección
de un método de pronóstico puesto que las unidades del cálculo son cifras relativas.
¿Cómo medir la precisión de los pronósticos? | 5
www.celogis.com
3. Medidas de precisión
En esta sección se hace referencia a la segunda porción de información denominada
datos de predicción que se describió al principio de este eBook. Recuerde que es
necesario probar que tan efectivo es el modelo o los modelos seleccionados para
pronosticar. En seguida se muestran dos alternativas para evaluar la efectividad del
modelo seleccionado para pronosticar: El FA (Forecast Accuracy) y el coeficiente U
de Theil. La selección dependerá siempre de los resultados esperados en la
organización y de la experiencia del planeador.
FA (Forecast Accuracy). La forma más común de medir la precisión de un pronóstico
es comparar los resultados del pronóstico contra los valores reales del siguiente
periodo. El objetivo es encontrar valores cercanos a 1 para emitir juicios favorables
sobre el modelo de pronóstico seleccionado. La fórmula utilizada para este efecto es:
Aún cuando ésta es la una de las medidas más utilizada entre los pronosticadores,
sólo se recomienda utilizarla en el corto plazo (no más de tres periodos) ya que
existen otros criterios que nos pueden ayudar a encontrar cuál modelo pronostica
mejor a periodos más largos. Recuerde que si el modelo seleccionado se ajustó muy
bien a los datos históricos no necesariamente es igual de efectivo en el momento de
pronosticar.
¿Cómo medir la precisión de los pronósticos? | 6
www.celogis.com
3. Medidas de precisión (continuación)
U de Theil. El coeficiente de desigualdad U de Theil es otra medida que permite
analizar la efectividad del modelo seleccionado en la predicción. Recuerde que las
medidas de errores absolutos en lugar de los cuadráticos, suelen presentar sesgos y
éstos últimos penalizan en mayor medida los errores grandes. La elección dependerá
de la importancia que se les dé a los grandes errores. El coeficiente de desigualdad U
de Theil presenta una solución para estos escenarios. Si el valor de U es cercano a
cero, supone una predicción perfecta. Su formulación está basada en la diferencia
cuadrática que existe entre las tasas de crecimiento de la variable real y la estimada.
Este coeficiente se puede utilizar para evaluar la efectividad del pronóstico a
mediano plazo:
¿Cómo medir la precisión de los pronósticos? | 7
www.celogis.com
La precisión es una cualidad importante en la selección de un modelo de pronóstico,
pero no es la única que a considerar en la selección y evaluación de un modelo de
pronóstico. Las características de la información como: 1) El tamaño o el horizonte de
tiempo de los datos históricos, 2) el comportamiento de la información y 3) el tipo de
relación del pronóstico también deben considerarse en la elección.
1. El horizonte de tiempo limita la búsqueda del modelo. Algunos modelos se utilizan
para calcular pronósticos a corto plazo (de uno a tres meses) como los modelos de
atenuación exponencial. Los modelos de descomposición y ARIMA son útiles para el
mediano plazo, mientras que los econométricos funcionan bien a mediano y largo
plazo.
2. El comportamiento de la información también es útil para limitar la búsqueda del
modelo. Por ejemplo si los datos históricos presentan estacionalidad no todos los
modelos de pronóstico pueden ser aplicables. Winters o Box & Jenkins serían los más
recomendables.
3. Por último existen tres tipos de relaciones que limitan también esta búsqueda: 1)
Si la serie es única y el pronóstico se obtiene a partir de su propio pasado, 2) Si la
serie es no causal y el pronóstico se obtiene a partir de otras bases históricas, y 3) Si
la serie es causal en donde los pronósticos son obtenidos a partir de otras variables
que están relacionadas.
¿QUÉ CRITERIOS ALTERNATIVOS EXISTEN PARA LA SELECCIÓN DEL MODELO DE PRECISIÓN?
¿Cómo medir la precisión de los pronósticos? | 8
www.celogis.com
Como se expuso en este artículo, si usted busca seleccionar el modelo que mejor
ajusta a sus datos históricos puede utilizar el MAPE, pero éste es un indicador de
interpretación relativo y tiende a presentar sesgos. El MSE o la RMSE presentan
mejores resultados para dicho efecto.
Al seleccionar un modelo de pronósticos compare precisión contra pertinencia y no
olvide el costo que esto representa. Recuerde que no siempre los modelos más
complicados son más precisos que los más simples y por lo general menos costosos.
Tal vez no posea un criterio único para juzgar la selección de un modelo en ciertas
situaciones, en cualquier caso es necesario contar con varios de ellos y siempre
dependerán de lo que se va a pronosticar y de la experiencia del pronosticador.
Dependiendo del uso que se le dé en la empresa a las predicciones a corto, a medio y
a largo plazo, la importancia del horizonte de predicción debe ser tomada en cuenta a
la hora de definir un criterio de selección de modelos. Es posible que sea más
adecuado un modelo de precisión que tengo menor efectividad en el corto y mayor al
mediando plazo y viceversa.
Nos vemos en el siguiente artículo.
CONCLUSIONES Y RECOMENDACIONES
¿Cómo medir la precisión de los pronósticos? | 9
TG
www.celogis.com
Box, G.E., Jenkins, G.M., 1970. Time Series Analysis: Forecasting and Control, Holden-
Day, San Francisco.
Croston, J.D., 1972. Forecasting and stock control for intermittent demands,
Operational Research Quarterly, 23, pp. 289–303.
Fildes, R., & Makridakis, S., 1995. The impact of empirical accuracy studies on time
series analysis and forecasting, International Statistical Review 63, 289-30.
Makridakis, S., Hibon, M., 2000. The M3-Competition: results, conclusions and
implications International Journal of Forecasting, 16, pp. 451–476.
Makridakis, S., Wheelright, S.C., Hyndman, 1998. Forecasting: Methods and
Applications. Wiley.
Poler, R., Mula, J., Peidro D., Tomás, J.V., 2006. PROGNOS: Un sistema de soporte al
proceso de previsión de demanda. X Congreso de Ingeniería de Organización.
BIBLIOGRAFÍACONSULTADA:
¿Cómo medir la precisión de los pronósticos? | 10